магИИя

Почти во всех компаниях есть сотрудники, которые в теневом режиме настраивают агентов костыльными путями и используют в своих задачах. Их обычно 5–10% компании. Их обычно не любят в ИБ и ИТ. Они не готовы ждать стратегии, отдельных бюджетов и разрешенных инструментов. Это те, кто реально экспериментируют, улучшают или упрощают работу — закрывают задачи быстрее, перестают делать руками то, что раньше занимало много времени. Эти сотрудники — классные и крутые, и их надо ценить. Когда начнёте строить централизованную инфраструктуру и внедрять безопасные инструменты — привлекайте их первыми. Пусть строят агентов для следующего подразделения. Не обучайте 5 000 человек одновременно. Найдите 100, которые уже впереди. lunaai-lab.com

Тестирую инструменты для коротких обучающих видео. HeyGen с AI Studio - вполне неплохой вариант: можно совместить аватар и наглядные визуализации.

С какого подразделения начать ИИ-трансформацию? Оцените каждое подразделения по трём критериям и выберите по количеству баллов. • Объём. Сколько однотипных операций проходит через подразделение за месяц. Финансы: 700 входящих счетов на оплату. Юридический: 5 новых договоров. Чем больше повторений, тем больше отдача от автоматизации. • Стоимость. Сколько подразделение стоит компании. Например, сколько обходится обработка счёта. • Охват. Сколько других подразделений затрагивают процессы этого отдела. Закрытие месяца в финансах тянет за собой закупки, склад, HR и IT. Чем больше охват, тем больше эффект. Но выбрать подразделение- не значит в нём закрыться. Агентов для одного отдела или подразделения не бывает. Это пережиток мира людей, где специализация была следствием ограниченной пропускной способности и навыков. Агенты могут знать всё одновременно и должны работать поперёк. Подразделение - это точка входа, а процесс идёт туда, куда он реально идёт.

Кажется, самая обсуждаемая тема последних месяцев - рои агентов (swarm agents). И всё чаще звучит мысль, что в будущем почти каждый будет управлять не одним агентом, а целым роем. Вместо одного долго рассуждающего агента можно запускать несколько (или даже тысячи), которые работают параллельно. Они проверяют разные гипотезы, делят работу и перепроверяют друг друга. Например, нужно изучить 20 конкурентов. Один агент пойдёт по списку последовательно. Двадцать агентов возьмут по компании, а оркестратор сведёт результаты в общую таблицу. Как это организуют: • Agents as Tools — оркестратор делегирует задачи агентам и собирает результаты. • Graph — работа построена как граф с условиями, параллельными ветвями и циклами. • Swarm (рой) — агенты напрямую общаются, обмениваются находками и сами координируются. Есть и гибриды. Например, Kimi Agent Swarm использует оркестратор, который динамически собирает команду до 300 субагентов. Интересно, что координация может быть очень простой: агенты просто отправляют сообщения прямо в контекст друг друга. Обсуждают гипотезы, спорят, распределяют работу. Насколько это эффективно? По словам исследователя OpenAI Noam Brown, четыре агента на некоторых бенчмарках дают примерно 2× ускорение при 2× расходе вычислений. Важный момент: у агентов нет общей памяти. Каждый видит только свой контекст и то, что ему написали. Часть ресурсов уходит на переписку, часть работы дублируется, а зависимые друг от друга шаги почти не ускоряются. Поэтому эффект сильно зависит от задачи. Математика и поиск информации параллелятся хорошо. Написание романа - плохо: десять тысяч авторов не напишут книгу быстрее одного. В эксперименте OpenAI с задачей Навье—Стокса использовали около 10 000 агентов и 88 часов. Однако Brown оценивает вклад самой мультиагентности менее чем в 10% - решающей оказалась сила базовой модели. Когда рой действительно оправдан • задачу можно чётко разделить на независимые части • параллельная работа реально ускоряет или улучшает качество • ценность результата покрывает дополнительные вычисления и координацию. Зачем это экономике? Aaron Levie, CEO Box, предлагает сменить вопрос. Вместо «Сколько исследователей мы можем нанять?» спрашивать: «Сколько вычислений мы готовы потратить на поиск решения?» Рои позволяют масштабировать исследования, анализ данных, проверку гипотез и тестирование, делать работу, которая раньше была слишком дорогой или слишком долгой.

Rhoda AI научила робота распознавать предметы на ощупь. Роботу закрыли камеры и предложили найти шершавые мячики среди гладких. Он на ощупь находил мячики в коробке, отличал шершавые от гладких и доставал нужные. Затем задачу усложнили: добавили больше мячей, в том числе незнакомые по размеру, упругости и текстуре. В показанном запуске робот достал все шершавые. На захвате установлены тактильные датчики, которые: • чувствуют даже лёгкое касание пёрышка; • измеряют давление и боковые усилия; • улавливают вибрации и температуру; • сохраняют чувствительность после большой нагрузки. За движения отвечают две модели: • Мультимодальная DVA (Direct Video-Action) предсказывает будущие наблюдения. Её расширили для работы с осязанием: показания датчиков представлены как видео — меняющиеся карты контакта. • Модель обратной динамики переводит предсказанные тактильные наблюдения в действия робота. Робот двигается, получает новые показания и повторяет цикл. В эксперименте он ориентируется только на осязание. https://www.rhoda.ai/research/giving-robots-a-sense-of-touch

Консультанты и стратеги по ИИ - вторая по скорости роста роль в США, согласно LinkedIn Jobs on the Rise 2026. При этом, растёт число независимых консультантов. На первом месте –AI-инженеры. В России такой роли почти не видно: в 2025 году число ИИ-вакансий на hh, Superjob и Авито удвоилось, но растут в основном инженеры.

Что работает: • Продавайте результаты, а не ИИ. • Чем ближе ваша работа к росту выручки, тем больше вы можете за неё брать. • Начните с платной диагностики: разберитесь в проблемах бизнеса, затем предложите внедрение. • Многие владельцы бизнеса хотят сами научиться создавать решения с ИИ. Поэтому обучение - тоже продукт. • Форматов заработка много: воркшопы, консалтинг, внедрение, сопровождение агентов, диагностика. • Первых клиентов ищите среди знакомых корпоративных менеджеров. Предложите бесплатную мини-диагностику, а затем уже платную работу. • Выбирайте клиентов с бюджетом. У крупных компаний он обычно выше.

Если ещё не видели, вышел 9-й State of AI Report - 244 слайда о том, что произошло в ИИ за год. Помимо очевидного, там есть интересные кейсы. • Дата-центры пугают сильнее АЭС. 71% американцев против ИИ-дата-центра рядом с домом, против атомной станции - 53% (Gallup). Только за 2й квартал местные протесты заблокировали или задержали 45 проектов на ~$68 млрд. • Плохие данные полезны, если их подписать. Робот π0.7 от Physical Intelligence учился хуже на смеси хороших и неидеальных демонстраций. Но когда к каждой добавили описание, как выполнялось действие, те же данные стали улучшать результат. • Grok на войне. По данным Пентагона, система Maven с Grok помогла армии США нанести удары по 2000 целям за 96 часов. Обратная сторона: по данным CNN, ложная ИИ-разведка связала китайское судно с ядерным оружием, ошибку заметили, когда военные уже готовились к досмотру. Слайды: https://www.stateof.ai/State-of-AI-Report-2026.pdf?utm_source=CloudRatings_SaaSletter

Интересная идея для интерфейса Это «умная лента», где система проактивно готовит полезные действия вместо того, чтобы ждать промптов от пользователя. Лента работает по привычной модели: • ты просто скроллишь; • система сама предлагает готовые действия; • ты только решаешь, что одобрить, поправить или отклонить. ИИ самостоятельно готовит черновики писем, сводки продаж, предложения по календарю и другие задачи. Всё, что требует твоего внимания, поднимается наверх. Остальное система уже делает сама.

это отличная лекция https://m.youtube.com/watch?v=L1OBRtfPS34&pp=0gcJCY8Co7VqN5tD&ra=m Строительные блоки любого агента (как сервер, БД и кэш для веб-приложений): • Durable workflows - сохранение каждого шага и продолжение процесса с места сбоя. • Computer Use - собственный облачный компьютер агента: браузер, приложения, файлы и терминал. • Память и навыки - Profile (факты о пользователе), Log (история событий), Skills (инструкции для повторения задач). Агент может учиться на наблюдении и самостоятельно повторять действия. • Триггеры и scheduled jobs - запуск по расписанию, событиям, письмам, изменениям файлов, звонкам и встречам. Основа always-on и проактивности. • Коннекторы и авторизация - безопасные подключения к внешним сервисам • Единый интерфейс общения - десктоп, мобильное приложение, веб, Slack / Teams, email и голос. • Платежи и идентификация - безопасное выполнение финансовых операций и подтверждение личности. • Evals и observability — логирование действий, метрики успешности, стоимости и времени, частоты обращений к человеку.

Агент-инжиниринг > вайб-кодинг Как говорит Карпатый, вайб-кодинг поднимает нижнюю планку для всех. А агент-инжиниринг держит верхнюю –планку качества профессиональной разработки. Попробовала скиллы для агентов от Addy Osmani: github.com/addyosmani/agent-skills Проблема, которую они решают: ИИ-агенты по умолчанию идут коротким путём и пропускают спецификации, тесты и проверку безопасности. Agent-skills дают агентам структурированные рабочие процессы, которые гораздо сложнее пропустить. 25 навыков на весь цикл разработки: от уточнения идеи и спецификации до тестов, ревью, деплоя и мониторинга. Каждый навык включает: • пошаговый процесс • контрольные точки проверки • таблицы против отговорок: чем агент оправдывает пропуск шага («тесты добавлю потом»). Девять команд: /spec, /plan, /build, /test, /review, /code-simplify, /ship и ещё две. А /build auto реализует весь план за один проход. Навыки включаются сами по контексту. Четыре специализированные персоны: • старший инженер для ревью кода • QA-специалист для стратегии тестирования • инженер по безопасности для поиска уязвимостей • аудитор веб-производительности Работает в Claude Code, Cursor, Codex и других агентах. Агент ведёт себя как инженер и не торопится закрыть задачу. Сначала задаёт вопросы и продумывает логику и детали, и только потом пишет код. Сам решает, какие тесты нужны и когда их запускать, и попутно пишет документацию. Минусы: • Дольше и дороже. Там, где вайб-кодинг справляется за 5 минут, этот процесс может занять несколько часов и в разы больше токенов. • Много текста. Спеки, планы и списки задач надо читать и проверять. • Это инструкции, а не жёсткий запрет. Агент технически может их нарушить. Где применять: • Продукт, который будет жить и развиваться • Работа в команде: спеку можно обсудить вместе с командой. • Там, где ошибка дорого стоит Где не стоит: • Демо на выброс, прототип на вечер, разовый скрипт. Здесь вайб-кодинг по-прежнему быстрее и разумнее.

Карта навыков AI-инжиниринга Andrew Ng собрал карту навыков AI-инжиниринга: 1. Создание и развёртывание AI-приложений 2. Основы программной инженерии 3. Работа с кодинг-агентами 4. Shaping the Build - решать, что строить, а не только реализовывать чужую спецификацию. Разработчик, который хорошо владеет LLM, агентами и evals, начинает влиять на продуктовую логику и UX. Продакт, который умеет работать с кодинг-агентами и быстро прототипировать, сам заходит в реализацию. Чем больше кода генерирует агент, тем важнее его понимать: замечать плохую архитектуру и уязвимости. Без инженерного фундамента пункт 3 превращается в быстрое производство техдолга. Отдельно мне нравится акцент на evals - систематической оценке качества AI-систем и анализе ошибок. Именно этот навык отличает работающий AI-продукт от красивого демо. Карту полезно использовать как зеркало: где у вас пробелы? Но осваивать все четыре направления равномерно необязательно. Разумнее T-shaped модель: глубина в одной области и базовая грамотность в остальных. Для инженера это сильный фундамент плюс уверенная работа с агентами и evals. Для продакта - быстрое прототипирование, понимание возможностей и ограничений AI и умение оценить качество результата. https://www.deeplearning.ai/the-batch/he-ai-engineering-skills-map-in-detail-building-and-deploying-ai-applications

Интересный ход от Anthropic. Компания вложила $100 млн в Claude Frontier Academy. Цель - к концу 2027 года подготовить 10000 Frontier Deployed Engineers. Как выглядит программа: • 4 дня офлайн. Участники строят Claude-систему для симулированной компании. Полный цикл: от первого запроса бизнеса ->выбор кейса ->создание агентской-системы -> оценка безопасности -> передача системы. На 4-й день сдают практический экзамен на новом сценарии. • Дальше 12 недель реальной работы внутри своей организации под поддержкой инженеров Anthropic. • В конце финальная оценка и статус Claude инженера. Среди первых участников - инженеры из Accenture, McKinsey, Deloitte, Bain, Capgemini. Попасть можно только по номинации от компании.

Куда движется технологический рынок. McKinsey: в 2026 году технологии переходят «с экрана в физический мир» - роботы, AI для открытия новых химических соединений, энергетика, чипы, космос. CB Insights: робототехника стала крупнейшим сектором по доле AI-сделок (11,4%). WIPO: deep-science стартапы получили $122 млрд венчурного финансирования, а их доля среди венчурных стартапов достигла 16%, максимума за 15 лет. А что происходит в России? В финал Sber500 вышли 25 команд: 70% используют GenAI, 48% относятся к DeepTech. Среди финальных проектов: 😖3D-биопечать коллагеновых мембран для восстановления тканей. 🤖Роботизированная платформа для автоматического тестирования электроники. 🌱AI-платформа, которая прогнозирует свойства новых сортов растений ещё до их создания. 🦾Пятиосевая 3D-печать деталей из армированных композитов. 🧠Нейрогарнитура, которая считывает активность мозга и в реальном времени оценивает внимание человека. Среди победителей Технологической премии Москвы и Сбера на Московском стартап-саммите тоже не только софт: • SANDBOXER - AI-агенты для бизнеса • KVANTRON SMART - промышленное компьютерное зрение • ROBO - автономные роботы для уборки • РОББО - образовательная робототехника AI становится управляющим слоем для физических систем. В мире это открывает новые рынки - от робототехники и биотехнологий до промышленной автоматизации. В России может стать решением задач, связанных с нехваткой кадров, ростом производительности и модернизацией производства.

Крутое демо. Робот может отработать смену😄 Робот Taku - полноценный физический агент, который автономно работает целый час (прачечная: стирка -> сушка -> складывание -> раскладка) без постоянного присмотра человека. Что внутри: • Vision-language orchestrator - планировщик на основе зрения и языка, выбирает задачи, помнит прогресс и принимает решения • DYNA-2 policy - World-Action Model, предобученная на 1+ млн часов человеческого видео. Переводит шаги в whole-body траектории • RL-контроллер на 100 Гц - превращает эту траекторию в реальные движения и корректирует их каждые 10 мс • Unified Robot Representation (URR) — позволяет учиться напрямую с человеческих данных • Сильное error recovery — робот сам выходит из ошибок и продолжает работу. Особенно интересна именно policy. Это улучшенная версия DYNA-2 (World-Action Model), которая совместно училась предсказывать и будущие кадры, и действия. Благодаря этому модель лучше понимает физику контактов и лучше переносится с человека на робота. Подробный разбор: https://www.dyna.co/dyna-2.1

Интересный анализ: мир построил только ~1% вычислительных мощностей, которые понадобятся для ИИ-агентов. Сейчас примерно 19 млн H100-эквивалентов. А если 500 млн работников интеллектуального труда будут работать с роем из 50 агентов, то нужно уже примерно 830 млн чипов. Это в 44 раза больше всего текущих мощностей.

Многие компаний сейчас застряли где-то между: сначала считали токены и радовались, что много используют ИИ и увидели счета и стали считать стоимость результата. Но оба подхода всё ещё смотрят на ИИ как на способ оптимизировать существующую работу. Интереснее становится, когда ИИ меняет пропускную способность всей организации. 1.Нелинейный эффект Снизить стоимость операции на 30-70% - хорошо. Но если цикл запуска продукта сокращается с 4 месяцев до 3 недель, компания может запускать не 3, а 15 продуктов в год. Это уже другая экономика. 2.Новые зоны возможного Становятся экономически оправданными задачи, которые раньше были слишком дорогими: • продукты для узких сегментов; • постоянная проверка гипотез вместо длинных запусков; • обработка длинного хвоста запросов. 3.Меняется операционная модель Когда сквозные процессы переходят к агентам, сокращаются не только затраты на операции, но и передачи между командами, очереди и согласования. Поэтому главный вопрос не только «сколько ИИ нам сэкономил?», а «что теперь компания способна делать такого, чего раньше не могла?»

Claude Opus 5.5 - режиссёр и программист в одном лице. Он не умеет генерировать картинки и видео напрямую. Вместо этого он пишет код, а уже этот код рисует, анимирует и собирает кадры в готовое видео. Попросила его снять ролик про Интеллект. И он снял.

Большинство компаний начинают внедрять ИИ с вопроса: «Куда нам поставить агента?» А надо начинать с другого. Если процесс кривой, то ИИ просто сделает этот кривой процесс быстрее. Возьмите один реальный процесс, конкретную цепочку: от заявки до результата. И сразу найдите человека, который реально может этот процесс менять. Посмотрите, как работа происходит на самом деле. Не по инструкции, а в жизни: где люди сидят в Excel, кому пишут, где ждут ответа по три дня, где возвращают задачу назад. Часто оказывается, что реальной работы там 15-20 минут, а весь процесс тянется неделями. Ускорять эти 15 минут почти бесполезно. Нужно убирать ожидания, передачи и лишние согласования. Потом честно спросите себя: если бы мы делали этот процесс с нуля сегодня, то какие шаги вообще остались бы? Только после этого разбирайте каждый шаг: где достаточно обычных правил, где можно отдать агенту, а где человеку всё равно нужно принять решение (но уже с подготовленной информацией). Не стоит автоматизировать бюрократию. Иногда лучший результат внедрения ИИ - это не агент на каждом этапе, а процесс, в котором самих этапов стало меньше. Luna AI https://lunaai-lab.com/

Meta Connect 2026 Во-первых, это нужно посмотреть - очень впечатляет: https://www.youtube.com/watch?v=SdKFDIAGF24 Во-вторых, Цукерберг показал будущее очков и ИИ. Meta VR Glasses • Всего ~100 грамм на лице (вес колоды карт) • Отдельный вычислительный пак в кармане • 5K микро-OLED дисплеи, лучшая система отображения, которую Meta когда-либо делала • Личный кинотеатр + рабочая станция с несколькими мониторами + игровая консоль • Цена $1299, старт продаж весна 2027 Muse - персональный ИИ-агент Получил голос + видео в реальном времени. Может работать в фоне и скоро появится прямо в очках. Meta Glasses Теперь официально сертифицированные слуховые аппараты (для лёгкой/умеренной потери слуха) + приватная обработка данных на устройстве. Также: • Новые лёгкие аудиоочки без камеры • Ray-Ban Meta Gen 3 • Брелок Muse Charm (выйдет в декабре). Камера + микрофоны. Подключение 5G, экран OLED ~2 дюйма, датчик отпечатков пальцев.